P:
Koji su neki od temeljnih načina na koje se profesionalni profesionalci ističu u strojnom učenju?
A:Za uspjeh strojnog učenja često je potrebna kombinacija vještina i iskustava. Upoznavanje s nekim od ovih načela i skupova vještina pomaže pojedincima da bolje razumiju što tvrtke traže kad angažuju profesionalce za strojno učenje.
U vrlo osnovnom smislu, mogli biste reći da uspjeh strojnog učenja često počiva na trostrukom principu - programiranju, matematici i uvidu. Svaka od ove tri stvari bitno je različita, ali svaka od njih igra ulogu u razvoju profesionalne karijere kao stručnjaka za strojno učenje.
S programskog kraja, znanje jezika poput Pythona i R postaje strašno korisno, ali postoje i crossover vještine s jezika poput COBOL, Perl i Ruby on Rails koji mogu imati neku vrijednost. Dio toga je zbog temeljne prirode programiranja - što se bavite usmjeravanjem operacija i vrijednosti tamo gdje trebaju biti. Zatim tu su i projekti strojnog učenja koji koriste naslijeđeni kod.
Drugo temeljno načelo je matematika. Ljudi s naprednim matematičkim vještinama ili oštrinom često imaju puno više uspjeha u svijetu strojnog učenja. Kada gledaju neuronske mreže ili druge modele, oni mogu razbiti matematičke jednadžbe koje vode do mrežnih izlaza. Ljudi često govore da su neuronske mreže „crne kutije“ čak i tehničarima - ali u mjeri u kojoj ste pametni u matematici, možete krenuti prema boljem razumijevanju onoga što program radi.
To vodi trećem principu, a to je uvid. Razumijevanje vjerojatne statistike zaista pomaže u uspjehu strojnog učenja. To je zato što se s strojnim učenjem projekti pretvaraju iz čisto determinirane ili linearne programske zone u novu vjerojatnu zonu. Pojedinci koji su pametniji od vjerojatnosti mogu pogledati ponderirane podatke i bolje predvidjeti kakvi bi mogli biti rezultati. Međutim, u drugom smislu, ljudi koji su intuitivno mudri prema strojnom učenju razumjet će kako ograničiti njegovu primjenu na stvari koje imaju smisla.
Jedna od velikih pet zamki u strojnom učenju danas je raširena i neselektivna primjena strojnog učenja u poslovnim aplikacijama. Postoje mnoge situacije u kojima strojno učenje jednostavno nije dobro rješenje - bilo zbog složenosti sustava, previdnosti, prethodno spomenutog problema s crnom kutijom ili bilo čega drugog. Neki od najvrjednijih profesionalaca u prostoru strojnog učenja bit će oni koji znaju kako odabrati projekte - kako njegovati aplikacije za strojno učenje - i kako upravljati kupovinom i postupkom kvalificiranog savjetnika.
